Real-time detection to solve traffic congestion problems
Trafik tıkanıklık problemlerini çözmek için gerçek zamanlı tespit
- Tez No: 672447
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Ana yollardaki trafik sıkışıklıkları, gelişmiş ülkelerde altyapının tutarsız ve etkisiz olması, şehirleşme oranının uyumsuzluğu ve araçların artması nedeniyle artan bir sorun haline geldi. Birkaç teknoloji trafik sıkışıklığını azaltsa bile, bunlar tutarsız ve etkisiz sonuçlar üretti ve bu, gelişmiş kameralar ve uygulamalar aracılığıyla gerçek hayattaki trafik algılamasında anında dikkat çekilmesini gerektiriyor. Bu tezde araştırmacı, trafik sıkışıklığının durumunu belirlemek için veri kaynağı olarak gözetleme kameraları (CCTV) kullanarak gerçek zamanlı olarak trafik sıkışıklığını tespit etmek için bir sistem göstermektedir. Önerilen sistemin ilk aşaması, aydınlatma düzeltmesini ve gürültü azaltmayı kullanan ön işleme aşamasıydı. İşleme aşamasında video, videoyla ilgili her saniye (fps) için kare temelinde birkaç kareye bölünmüştür (örneğin, 30 fps); bu çerçeveler sınıflandırıcının girdisini temsil eder. İki sınıflandırıcı kullanılmıştır. İlk olarak, dijital görüntü işleme tekniklerine dayalı Haar Cascade sınıflandırıcı. İkincisi, makine öğrenimi tekniklerine dayalı bir Derin Öğrenme sınıflandırıcısı. Bu sınıflandırıcılar, araçların algılanması ve gözetleme kameraları kullanılarak zaman eşiği başına düşen araç sayısının sayılması için kullanılmıştır. Nihai karar, belirtilen süre boyunca araç sayısı ve durumu değerlendirmek için birkaç aşamada (trafik sıkışıklığı, trafik dışı) temel alınarak belirlenmiştir. Deneysel sonuçlar, farklı dönemlerde birkaç video kullanılarak gerçekleştirilmiştir. Örneğin, tüm video süresinin her saniyesini veya beş saniyesini işliyorlardı. Haar kaskadı% 77.41 doğruluk ortalamasına,% 80.06 F skor ortalamasına ve% 0.2 hata ortalamasına ulaşır. Derin öğrenme% 97.11 doğruluk ortalamasına,% 96.15 F skor ortalamasına ve% 0.025 hata ortalamasına ulaşır. Bu nedenle, sonuçların haar kademesine göre daha yüksek doğruluk ve daha az işlem süresi gösterdiği derin öğrenme yöntemine güvenilmiştir. Deneysel sonuçlar, önerilen sistemin diğer trafik sıkışıklığı tahmin sistemlerine kıyasla düşük maliyetlerle gerçek zamanlı olarak trafik sıkışıklığını yeterince tahmin ediyor olabileceğini göstermektedir.
Özet (Çeviri)
Traffic congestions in the main roads have become a rising issue because of the inconsistent and ineffective infrastructure, the mismatch between the urbanization rate, and the increase of vehicles in the developed countries. Even when several technologies reduce traffic congestion, these have produced inconsistent and ineffective results, which calls for immediate attention in real-life traffic detection through advanced cameras and applications. In this thesis, the researcher shows a system for the detection of traffic congestion in real time by using surveillance cameras (CCTV) as a data source to determine the status of traffic congestion. The initial stage of the proposed system was the pre-processing step using illumination correction and noise reduction. In the processing stage, the video has been fragmented into several frames on the basis of frame for each second (fps) related to video (for instance, 30 fps); these frames represent the classifier's input. Two classifiers have been used. First, the Haar Cascade classifier based on digital image processing techniques. Second, a Deep Learning classifier based on machine learning techniques. These classifiers were utilized for the detection of the vehicles and counting the number of vehicles per time threshold using surveillance cameras. The final decision has been specified on a basis of number of the vehicles during specified time as well as on several stages to evaluate the condition (traffic congestion, non-traffic). Experimental results have been performed using several videos during different periods. For example, they were processing each second or every five seconds of the entire video duration. Haar cascade achieves an accuracy average of 77.41%, F-score average of 80.06%, and the error average of 0.2%. Deep learning achieves an accuracy average of 97.11%, F-score average of 96.15%, and the error average of 0.025%. Therefore, the deep learning method has been relied upon, where the results show higher accuracy and less processing time than haar cascade. The experimental results are showing that the suggested system might be adequately estimating traffic congestion in real time at low costs in comparison to other traffic congestion estimation systems.
Benzer Tezler
- Okunabilir kopyalama algoritmalı DSM sisteminin gerçeklenmesi
Başlık çevirisi yok
ÖZGÜR KORAY ŞAHİNGÖZ
Yüksek Lisans
Türkçe
1998
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TAKUHİ NADİA ERDOĞAN
- Hibrit bağlaşmalı şebekeler için performans modelleri
Başlık çevirisi yok
HAKKI ASIM TERCİ
Yüksek Lisans
Türkçe
1996
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÜNSEL DURUSOY
- Sabancı Center Akbank Kulesi için bir sistem analizi
The System analysis for Akbank Tower of Sabancı Center
OSMAN SALICI
Yüksek Lisans
Türkçe
1997
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiYapı Ana Bilim Dalı
PROF. DR. ERDOĞAN UZGİDER
- Trafikteki araç kuyruklanmalarının derin öğrenme ile gerçek zamanlı tespiti
Real-time detection of vehicle queues in traffic with deep learning
AHSEN BATTAL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADEM TUNCER
- Evrişimli sinir ağları ile yüksek çözünürlüklü uydu görüntülerinden uçak tespiti
Aircraft detection from high resolution satellite images with convolutional neural networks
EMİNE DİLŞAD ÜNSAL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL